手把手带你入门深度学习（一）：保姆级Anaconda和PyTorch环境配置指南

手把手带你入门深度学习（一）：保姆级Anaconda和PyTorch环境配置指南

• 一、 前言和准备工作
• • 1.1 python、anaconda和pytorch的关系
• 二、 Anconda安装
• • 2.1 安装 anaconda
  • 2.2 更改pip源和anaconda源
  • • 2.2.1 配置pip源
    • 2.2.2 配置anaconda源
  • 2.3 创建虚拟环境
  • 2.4 常用conda命令
• 三、 PyTorch安装
• • 3.1 安装 CPU版本PyTorch
  • • 3.1.1 快速安装
    • 3.1.2 按照指定版本安装（进阶）
  • 3.2 安装 GPU版本PyTorch

B站：马上就更！！！_bilibili
CSDN：手把手带你入门深度学习（一）：保姆级Anaconda和PyTorch环境配置指南_百年后封笔-CSDN博客
Github：封笔
公众号：百年后封笔

一、 前言和准备工作

你好，我是封笔！

如今深度学习技术的不断演进，我们的生活发生着翻天覆地的变化，无论是计算机视觉、自然语言处理还是推荐技术都有着不同程度的革新。随着工具和知识的不断完善，我们学习深度学习的门槛越来越低，对于想快速入门的同学，往往需要搜集各种资料，很难找到一个完善的入门教程，这里为了满足初入深度学习的同学的需求，特别记录一下深度学习入门的系列文章吧，说到深度学习框架，便于上手且学术界用的最多的就是PyTorch啦，要配置PyTorch环境最好就是先安装好python环境和Anaconda包管理工具，本文就为大家介绍深度学习——Python和Anaconda环境配置的全流程，手把手教大家完成Python深度学习环境配置！

1.1 python、anaconda和pytorch的关系

相信初入深度学习的朋友们可能对于python、anaconda还有pytorch这一系列的名词感到迷惑，不知道到底应该先安装哪一个，每一个又分别有什么用。这里，我大概介绍一些这三者都是什么东西，以及他们各自的作用，相信了解了这三者的关系之后，我们自己在配置的时候就更加得心应手啦！先来看一下他们三个都是啥玩意：

• Python是一种广泛使用的编程语言，在许多领域都有应用。它具有简洁的语法，易于学习，并且有大量的第三方库可以使用。

• Anaconda是一个Python的包和环境管理软件，提供了许多用于数据科学，机器学习和科学计算的库和工具。它还提供了一个软件包管理器conda，可以轻松安装和管理Python库和其他软件包。

• PyTorch是一款开源深度学习框架，基于Python开发。它提供了大量的功能和工具，可以帮助用户训练和开发神经网络模型。 PyTorch可以通过pip或conda进行安装，因此它与Anaconda和Python之间有着密切的关系。

所以通过上面的解释，联合起来就是说：

首先，我们需要配置好Python的语言环境，作为我们基本编程使用；但是呢，实际开发中，我们往往需要对不同的工程需要安装不同的第三方库，A项目的几个包和B项目的包的版本可能是冲突的，那这就可能需要反复改环境中的包版本，这岂不是很麻烦？这时候就需要Anaconda，来帮助我们创建不同的虚拟环境，各个环境之间你可以配置和项目对应的包和版本，这样就不会冲突，也显得非常的优雅。那么最后的pytorch呢，他其实是依赖一些其他第三方库的框架，当然，它也可以算是一个第三方库，可以认为他的作用是专门用来做深度学习的框架，因此我们一般是专门为他创建一个虚拟环境，是不是很牌面，对没错。

二、 Anconda安装

很多同学可能比较迷惑，不是说要先配置python环境吗，这里怎么一上来就是anaconda，其实不然，anaconda本身安装好就会自带一个base环境，里面是最新的python解释器和相关的包管理工具等，所以我们完全不需要单独安装python，而如果你只是简单使用python杀杀鸡，那么也不需要anaconda这个牛刀，hhh~。

这里我们主要按照windows下anaconda环境的配置方法来演示，linux和mac上的配置其实大同小异。

废话不多说，开整！

2.1 安装 anaconda

1. 首先去anaconda官网下载安装包
   

一般下载起来还是非常快的，如果觉得下载速度比较慢的话，那么也可以去清华源瞧瞧，如下所示，选择最新的且和自己电脑所适配的版本就行，Windows这边是Anaconda3-2022.10-Windows-x86_64.exe，如果你是Mac的话，那你选择上面的Anaconda3-2022.10-MacOSX-x86_64.pkg就ok。

2. 打开刚刚下载的安装包，然后一直Next就ok啦，需要主要按照要求一步步进行安装即可，一直next就行，如下所示

然后就是安装过程了，这里我就不继续啦，大家等待安装就ok啦~ 顺手可以收藏一哈这篇文章呀！

4. 检查anaconda是否安装成功

按win + r 键，输入cmd，打开cmd

输入conda -V,一般会有两种情况，下面这种就是安装好了的。

如果报错了，那么需要你将anaconda的安装路径先找到，比如，是在C:\Users\xxx\anaconda3，那么接着你就需要在你的系统环境变量里面，把下面几个路径加入到path里面，也就是把anaconda的bin和Scripts路径加入到环境变量里面去，如下：

C:\Users\xxx\anaconda3\bin
C:\Users\xxx\anaconda3\Scripts
C:\Users\xxx\anaconda3

操作完之后，再检验一下conda有没有安装好就行了，一般出问题就是环境变量没加入进去，其他没啥问题。

2.2 更改pip源和anaconda源

在我们安装包的过程中经常会遇到网络不佳或者下载缓慢的问题，这个时候就需要配置一下pip源和anaconda源，下面给出pip源和anaconda源的配置方法：

2.2.1 配置pip源

为了解决安装相关依赖包，国内下载python非常慢的问题，我们需要先配置一下pip镜像源，具体做法如下：

1. 在C:\Users\xxx中创建一个名为pip的文件夹，然后在里面创建一个pip.ini文件，注意后续需要修改这个文件内容，因此可以先把名字改成pip.txt，后续再改成pip.ini
   
2. 修改pip.ini文件内容，然后保存就可以啦！就是这么简单~

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

当然你也可以使用下面的几种源来替代上面pip.ini文件中的index-url的值，如下：

• 清华大学 ：https://pypi.tuna.tsinghua.edu.cn/simple/
• 阿里云：http://mirrors.aliyun.com/pypi/simple/
• 中国科学技术大学 ：http://pypi.mirrors.ustc.edu.cn/simple/

2.2.2 配置anaconda源

anconda源的配置方法如下：

1. 在C:\Users\xxx中找到一个叫做.condarc的文件, 如果没有那就创一个！

2. 然后右键用记事本或者vscode打开他！把下面这段话粘到这个文件中

channels:
  - defaults
show_channel_urls: true
default_channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

如果你不清楚的话，也可以参考这个清华源的官方教程或者评论给我！官方教程中地址可能是https开头的，但实际可能会出错，那么你把https改成http就ok了，这里给大家的直接是http~

2.3 创建虚拟环境

好了，万事俱备！我们终于可以丝滑地地针对不同的项目需要创建自己的虚拟环境，在虚拟环境中安装不同的python版本和第三方库，废话不多说，开干！

1. 先看看咱们都有哪些虚拟环境

还是先打开cmd，输入conda env list，如下图所示，可以看出我们有不少虚拟环境，最基本的就是base环境，其他是我之前创建的。前面是环境名，后面是对应的环境相关的依赖和包的路径。

2. 创一个虚拟环境

接着我们输入下面的命令，创建一个python版本为3.9，名字叫做my_env的虚拟环境，如下所示：

conda create -n my_env python=3.9

输入y继续下一步，他就会火速安装一些包，然后看到下面的就ok了

3. 激活虚拟环境看看

好了你已经拥有了自己的虚拟环境，下面我们看看里面有什么东西呢？以及如何用你虚拟环境的python解释器来运行python代码呢？

首先，还是打开cmd，使用activate my_env 或 conda activate my_env激活你的虚拟环境，你就可以看到命令行前面有一个（my_env），说明你已经进来了。然后输入conda list，就可以看到你这个虚拟环境里面的包和版本号

这里浅浅测试一下python吧，先在cmd中输入python，进入python终端，然后输入下面的代码，就会产生魔法，发射爱心！

print('\n'.join([''.join([('Love'[(x-y) % len('Love')] if ((x*0.05)**2+(y*0.1)**2-1)**3-(x*0.05)**2*(y*0.1)**3 <= 0 else ' ') for x in range(-30, 30)]) for y in range(30, -30, -1)]))

当然想退出的话，输入exit()就可以啦。

2.4 常用conda命令

下面罗列一些常用的conda命令，供你参考使用

# 建立新环境
conda create -n new env_name  python=3.8
# conda初始化
conda init
# 激活虚拟环境
conda activate env_name 或者  activate env_name
# 查看虚拟环境
conda env list
# 删除虚拟环境
conda remove -n env_name --all

三、 PyTorch安装

好了现在到了环境配置的最后一个阶段啦，感谢你的坚持！

深度学习研究至今，已经有很多框架供我们使用，其实说到底，深度学习框架我们可以认为是一个炼丹的炉子，别人已经把炉子给我们造好了，我们只需要按照步骤使用炉子炼丹就行了。目前比较主流的深度学习框架包括：PyTorch、Tensorflow、Caffe等等。当然为了完成端侧模型开发部署的需求，例如MNN、TNN等端侧框架也十分常用。科研中使用PyTorch更多一些，因此我们这里还是按照PyTorch的安装来作为实例吧，如果大家有别的需求也可以留言告诉我，可以出番外篇hhh~

配置Pytorch环境其实也是分为两步的，根据我们自身算力设备的限制，会有所不同，主要分为CPU和GPU版本，GPU主要是针对英伟达显卡而言的，安装起来相对麻烦一些，cpu版本可以用来做一些测试，在训练时相比于gpu版本缺少了并行加速，从而速度会慢很多。如何判断自己是否有英伟达显卡呢？打开任务管理器，点击GPU，如果出现了红框中的字样，那么很幸运，你是尊贵的显卡拥有者，可以安装gpu版本的PyTorch。

不过如果像下图一样，你没有显卡，只有一个集成显卡，也不要慌，我们还有cpu版本的PyTorch，如果你可以忍受在模型训练时风扇嗡嗡作响的声音，以及无穷无尽的训练进度的话，那也完全没问题哈哈哈，或者说你只是想跑一个代码的测试，那cpu也完全ok的。

废话不多说，开整！

3.1 安装 CPU版本PyTorch

3.1.1 快速安装

cpu版本的安装很简单呀，

1. 首先我们先去PyTorch的官网瞧瞧：
   

2. 选择windows，python和cpu版本就可以，我们可以得到蓝色的命令，看到了吗！

conda install pytorch torchvision torchaudio cpuonly -c pytorch

这段命令要运行在哪里呢，其实只需要先在cmd中激活我们的第二步用Anaconda创建的my_env这个虚拟环境就ok，然后再输入上述的命令即可，如下所示:

processd输入y即可耐心等待自动安装啦~

3. 验证安装是否成功

我们可以在安装好之后的cmd中，输入python，然后输入红色框中的两段代码，第一段是导入torch这个包，然后创建一个5*3的tensor向量并打印出来；第二段是检查gpu是否可用，cpu版本的gpu肯定是不可用的（总不能无中生有吧哈哈哈）：

import torch
x = torch.rand(5, 3)
print(x)

import torch
torch.cuda.is_available()

如果你出现了和上图类似的结果，没有出现error,那么恭喜你，安装成功啦，你已经可以去去跑很多别人预训练好的模型和代码啦~

3.1.2 按照指定版本安装（进阶）

很多时候我们需要去按照项目的要求去安装PyTorch的版本，这时候一般有两种：

1. 按照项目的requirement.txt进行安装

例如我们需要配置目标检测的yolov5的环境，先下载yolov5项目，然后注意下他里面的requirements.txt，如下图所示。

我们进入到yolov5的文件夹中，然后打开cmd，激活虚拟环境，然后输入pip install -r requirements.txt，如下图所示，即可按项目要求安装。

2. 自行选择需要的版本安装

这个自由度更高，当你对自己的版本需求很明确的时候，你可以直接去pytorch历史版本中寻找自己要的包，例如：你的平台是linux或者Windows，你要用pip安装你的包，并且想安装cpu版本的pytorch，版本为1.8.1，那你可以直接复制其中的pip命令，如下所示：

pip install torch==1.8.1+cpu torchvision==0.9.1+cpu torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

当然，你也可以使用conda安装，或者按照平台，按照包的版本，cpu或者gpu来选择不同的指令，这块适合于对环境需求非常了解的同学！初入学习的同学，可以先略过哈哈，当你经受了环境配置的毒打，应该会更加明确自己的需求。

3.2 安装 GPU版本PyTorch

这块的话，主要涉及到三部分：

• 一个是显卡驱动的安装，也就是cuda
• 一个是cudnn的安装和cudatoolkit的安装
• 还有就是gpu版本PyTorch的安装了，这个和cpu版本类似，选命令去装就ok。

这块可以参考我之前的一篇文章，当时用到的是nvidia的3080显卡，在windows平台上配置pytorch1.7.1版本的说明，3080+pytorch1.7+windows的详细安装过程。